超級個體時代，正在加速到來。

作者｜連冉

編輯｜鄭玄

BaiFu 的現(xiàn)實開始暴走的那一周，他還在準(zhǔn)備畢業(yè)答辯。

每天郵箱 99+未讀，投資機構(gòu)、創(chuàng)業(yè)團(tuán)隊、大廠 HR、開源社區(qū)的開發(fā)者……所有人都在找他。起因是一個十天做完的畢業(yè)設(shè)計，登上了 GitHub 全球趨勢榜。Star 數(shù)量以肉眼可見的速度往上跳，有公司直接發(fā)來 offer，有開發(fā)者想合作，有投資人想投他。

BaiFu 看了一陣，后來干脆全部已讀，不看了。

三個月后，他的第二個項目 MiroFish 再次登頂 GitHub 榜首。這一次，他拿了盛大創(chuàng)始人陳天橋給的 3000 萬。

一個還沒畢業(yè)的大四學(xué)生，沒有團(tuán)隊，沒有公司，兩次登頂全球最大開發(fā)者社區(qū)的熱榜，拿到了一張 AI 創(chuàng)業(yè)的入場券。他只有一臺電腦，和一支由 Agent 組成的「數(shù)字團(tuán)隊」。

BaiFu 不是在做傳統(tǒng)意義上的 Vibe Coding，他像導(dǎo)演一樣指揮著這個 AI 劇組：驗證想法、優(yōu)化邏輯，然后快速生成產(chǎn)品——十天，就完成了過去一個團(tuán)隊幾周甚至幾個月才能做完的工作。從 BettaFish 的輿情分析，到 MiroFish 的多智能體推演，他試圖做的事越來越大膽：用 AI 模擬復(fù)雜社會，甚至推演未來可能發(fā)生的事。

但當(dāng)「用 AI 預(yù)測世界」的宏大愿景被提出時，質(zhì)疑也隨之浮現(xiàn)——一個十天完成的 Demo，真的能承載這么大的目標(biāo)嗎？

BaiFu 告訴極客公園：他對 MiroFish 的預(yù)期并不是「神諭式的預(yù)測機器」。它不追求每次都押中未來，而是試圖把原本只能靠直覺想象的多種可能性，變成一組可以被觀察、比較和迭代的情景推演——在重大判斷發(fā)生之前，先把關(guān)鍵變量和博弈關(guān)系攤開在桌面上。

01

十天寫出的畢設(shè)，

突然登上 GitHub 熱榜

故事要從去年年底開始說起。

當(dāng)時，BaiFu 還是一名大四學(xué)生，正在為畢業(yè)設(shè)計找選題。他的技術(shù)背景其實算不上傳奇：計算機專業(yè)出身，最早接觸編程是從前端開始——因為看到有人用代碼做出漂亮的網(wǎng)頁，他被這種「用幾行代碼就能創(chuàng)造東西」的感覺吸引。后來，他逐漸補齊了后端開發(fā)的能力，開始學(xué)習(xí) Python、Java，并接觸機器學(xué)習(xí)和深度學(xué)習(xí)。

BettaFish 這個項目能被做出來，靠的不是他的技術(shù)積累，而是為了做畢設(shè)而做的一段密集調(diào)研。

在動手寫代碼之前，BaiFu 花了大量時間思考三件事：為什么做、給誰做、怎么做。

他注意到開源社區(qū)里出現(xiàn)了大量「AI + 新聞總結(jié)」的項目：有人做每日新聞?wù)腥俗鲂畔⒑Y選工具。但在更細(xì)分的領(lǐng)域——輿情分析——幾乎沒有真正結(jié)合大模型能力的開源項目。傳統(tǒng)輿情工具大多仍停留在數(shù)據(jù)看板層面，而不是用 AI 去理解信息本身。

「開源社區(qū)其實缺一個更 AI 化的輿情分析工具。」他后來回憶說。

方向確定以后，開發(fā)速度變得很快。BaiFu 把自己稱為「導(dǎo)演」，AI 則像一支執(zhí)行團(tuán)隊。他先用 demo 驗證想法，再通過 AI coding 工具不斷生成代碼、調(diào)整邏輯。整個項目，從概念到可運行版本，只用了十天。

最初，他對這個項目的預(yù)期其實很低。「如果能有 1000 個 star，我就已經(jīng)很滿足了。」

但事情的發(fā)展，很快超出了他的想象。

項目上線之后，BettaFish 很快登上了 GitHub Trending。Star 數(shù)量開始以肉眼可見的速度增長——幾乎每隔一兩個小時刷新一次榜單，數(shù)字就會再往上跳一截。

那段時間，他幾乎每隔一個小時就會刷新 GitHub 頁面，看著 star 數(shù)不斷增加。「剛開始是很激動的。」他說。但當(dāng)數(shù)字漲到 1 萬 star 之后，這種情緒逐漸「脫敏」了，「到 10K 以后，就有點沒有感覺了。」

對于一個還在準(zhǔn)備畢業(yè)的學(xué)生來說，這種突然到來的關(guān)注，既讓人興奮，也帶來某種程度的迷茫。各種機會同時出現(xiàn)，反而讓選擇變得困難。

「當(dāng)選擇太多的時候，其實會不知道該選哪一個。」他說。

那一周，他第一次真正意識到：這個原本只是十天做出來的畢業(yè)設(shè)計，正在變成一件完全不同的事情。

02

AI 讓「一個人做產(chǎn)品」成為現(xiàn)實

如果只看結(jié)果，BettaFish 十天開發(fā)完成，似乎像是一場偶然的爆紅。但這個項目真正重要的，是它背后的一種新的開發(fā)方式，也就是近來討論甚廣的 Vibe Coding。

在過去，軟件開發(fā)通常是一條相對明確的流水線：產(chǎn)品經(jīng)理提出需求，架構(gòu)師設(shè)計系統(tǒng)，工程師按模塊寫代碼，最后再經(jīng)過測試和迭代。每一個角色都有明確分工。

但在 AI 編程工具普及之后，這條鏈路開始被重新壓縮。

在 BaiFu 的描述里，AI 已經(jīng)成為開發(fā)過程中的協(xié)作者。開發(fā)者不需要再逐行敲代碼，而是更多通過自然語言描述功能、結(jié)構(gòu)和邏輯，讓 AI 生成代碼，再根據(jù)結(jié)果不斷調(diào)整。

在這個過程中，人類開發(fā)者的角色也發(fā)生了變化。

「人更像是導(dǎo)演。」開發(fā)者需要決定產(chǎn)品要解決什么問題、系統(tǒng)應(yīng)該如何架構(gòu)、每一步功能如何拆分，而具體的實現(xiàn)部分，則可以通過 AI 來完成。很多時候，開發(fā)過程甚至更接近一種快速實驗：先生成一個 demo，驗證想法是否成立，再不斷調(diào)整和迭代。

這種方式看起來像是在「減少寫代碼」，但實際上更像是在改變開發(fā)者的工作重心——從「寫實現(xiàn)」轉(zhuǎn)向「做決策」。

這種變化帶來的最直接結(jié)果，就是開發(fā)效率的大幅提升。

BettaFish 的開發(fā)周期只有十天。在傳統(tǒng)的軟件開發(fā)流程中，即便是一個小型工具，從需求確認(rèn)到產(chǎn)品上線，往往也需要數(shù)周甚至數(shù)月時間。但在 AI coding 工具的輔助下，許多原本需要大量重復(fù)勞動的工作被大幅壓縮。

BaiFu 在與極客公園的交流中提到，后續(xù)的一些嘗試中，開發(fā)速度甚至比 BettaFish 還要更快。

很多功能不再需要從零開始搭建，而是通過 AI 生成基礎(chǔ)框架，再進(jìn)行調(diào)整優(yōu)化，開發(fā)者可以在不斷試驗新的組合方式。

從某種意義上說，這種開發(fā)模式正在改變個人開發(fā)者的生產(chǎn)力邊界。

過去，一個人往往只能維護(hù)小規(guī)模項目，而完整產(chǎn)品的開發(fā)需要依賴團(tuán)隊協(xié)作：前端、后端、設(shè)計、測試，各自負(fù)責(zé)不同部分。但在 AI 工具的幫助下，一個人也可以快速完成原型開發(fā)，甚至推出可用產(chǎn)品。

這也讓「超級個體」這個角色開始被頻繁提及。

在 AI 出現(xiàn)之前，創(chuàng)業(yè)往往意味著組建團(tuán)隊、籌集資金、分工協(xié)作。但現(xiàn)在，越來越多產(chǎn)品的第一版本，已經(jīng)不再來自團(tuán)隊，而是來自一個人。

一個人完成需求定義、產(chǎn)品設(shè)計、技術(shù)實現(xiàn)，再借助 AI 工具補齊能力邊界。

BettaFish 的出現(xiàn)，正好踩在這個變化的節(jié)點上。

它既是一個開源項目，也像是一種信號：在 AI 時代，軟件開發(fā)的門檻正在被重新定義。當(dāng)工具可以承擔(dān)越來越多執(zhí)行工作時，人類開發(fā)者的核心價值，已經(jīng)成為了提出問題、設(shè)計系統(tǒng)，以及判斷什么值得被創(chuàng)造。

而這正是「一個人做產(chǎn)品」的時代開始的地方。

03

從輿情分析到「預(yù)測未來」

BettaFish 的走紅，最初來自「十天寫完的畢業(yè)設(shè)計」，真正讓開發(fā)者持續(xù)關(guān)注它的，其實是產(chǎn)品本身。

在功能上，BettaFish 的定位非常明確：一個 AI 驅(qū)動的輿情分析助手。簡單來說，它解決的是一個很多人都會遇到的問題——信息太多，但很難快速理解。

在傳統(tǒng)輿情系統(tǒng)中，用戶往往只能看到關(guān)鍵詞統(tǒng)計、數(shù)據(jù)圖表和輿論曲線，真正的分析仍然需要人工完成。而 BettaFish 嘗試把這一過程交給 AI。

它的工作流程大致分為三個步驟：

第一步是信息抓取。

系統(tǒng)會自動從新聞網(wǎng)站、社交媒體、論壇等公開渠道收集信息，并持續(xù)更新數(shù)據(jù)源。

第二步是內(nèi)容理解。

大模型會對這些信息進(jìn)行語義分析，識別出關(guān)鍵事件、情緒傾向以及討論熱點，并將分散的信息整理成結(jié)構(gòu)化內(nèi)容。

第三步則是生成分析報告。

用戶只需要輸入一個關(guān)注主題，例如某家公司、某個行業(yè)或某個公共事件，系統(tǒng)就可以自動生成一份輿情分析報告，包括事件脈絡(luò)、觀點分布以及輿論趨勢。

BettaFish 像是一個「AI 研究助理」：它幫用戶讀完互聯(lián)網(wǎng)，然后把重點總結(jié)出來。這種產(chǎn)品形態(tài)，也讓它在開源社區(qū)迅速獲得關(guān)注。很多開發(fā)者發(fā)現(xiàn)，它展示了一種新的產(chǎn)品思路——用大模型替代傳統(tǒng)的信息整理流程。

不過在 BaiFu 看來，BettaFish 本身只是第一步。

在項目獲得關(guān)注之后，他很快開始嘗試一個更新的方向：MiroFish。而這個項目同樣也是十天 Vibe Coding 的產(chǎn)物。

BettaFish 的目標(biāo)是理解現(xiàn)實世界的信息，MiroFish 的目標(biāo)則更進(jìn)一步——嘗試推演未來的可能路徑。

在概念上，MiroFish 被設(shè)計為一個多智能體預(yù)測系統(tǒng)。

系統(tǒng)首先會持續(xù)從現(xiàn)實世界獲取信息，包括新聞事件、市場數(shù)據(jù)以及社交媒體討論等內(nèi)容。這些數(shù)據(jù)會被輸入到一個模擬環(huán)境中，用來構(gòu)建一個不斷更新的「數(shù)字社會」。

在這個環(huán)境里，不同的 AI 智能體會被賦予不同角色，例如企業(yè)、投資者、媒體或普通用戶。每個智能體根據(jù)自身目標(biāo)和所掌握的信息做出決策，并與其他智能體產(chǎn)生互動。

隨著大量互動不斷發(fā)生，系統(tǒng)會生成不同的發(fā)展路徑，從而模擬某些事件可能的演化方向。

例如，當(dāng)某個行業(yè)出現(xiàn)重大新聞時，系統(tǒng)可以模擬市場參與者可能做出的不同反應(yīng)，從而觀察事件在不同條件下可能的發(fā)展趨勢。

這種方式與傳統(tǒng)預(yù)測模型最大的區(qū)別在于，它不只是做統(tǒng)計分析，而是通過模擬社會行為來觀察系統(tǒng)如何演化。

截至 3 月 13 日上午，MiroFish 在 github 已有 14230 stars｜圖片來源：極客公園

MiroFish 同樣登上了 GitHub 全球趨勢榜（GitHub Trending），還曾一度位列榜首，超越了其他機構(gòu)和個人項目，成為全球開源熱點，到 3 月 13 日上午，MiroFish 在 github 已有 14230 stars。

某種意義上，MiroFish 更接近一種「數(shù)字沙盤」。現(xiàn)實世界的數(shù)據(jù)不斷輸入，而 AI 智能體在其中進(jìn)行決策和互動，從而不斷生成新的可能路徑。

用 BaiFu 的一句話總結(jié)，BettaFish 是在分析現(xiàn)實，MiroFish 則是在「推演未來」。

04

AI 創(chuàng)業(yè)窗口已打開

過去幾年里，軟件創(chuàng)業(yè)往往需要一整支團(tuán)隊：有人負(fù)責(zé)產(chǎn)品設(shè)計，有人負(fù)責(zé)前端和后端開發(fā)，還有人負(fù)責(zé)測試、運營和增長。即便只是做一個最初版本的產(chǎn)品，成本和時間投入都不小。

但 AI 工具的出現(xiàn)，已經(jīng)改變了這一切。

在 BaiFu 的開發(fā)過程中，很多過去需要大量時間完成的工作，如今都可以借助 AI coding 工具快速實現(xiàn)。從代碼生成到功能調(diào)試，再到系統(tǒng)框架搭建，開發(fā)者可以把更多精力放在產(chǎn)品思路和系統(tǒng)設(shè)計上。

這種變化帶來的一個直接結(jié)果，是創(chuàng)業(yè)門檻正在明顯下降。

一個人可以更快地做出產(chǎn)品原型，驗證想法是否成立，也能在更短的時間里推出可用版本。對于許多年輕開發(fā)者來說，這意味著嘗試創(chuàng)業(yè)的成本變得更低，周期也更短。

某種意義上，AI 正在把軟件開發(fā)從一項「重工程」，變成一項更接近快速實驗的過程。

而資本也很快注意到了這種變化。

在 BettaFish 項目爆紅之后，BaiFu 的郵箱幾乎被各種郵件填滿，其中既有開發(fā)者的交流，也有來自投資機構(gòu)的合作邀請。最終，這個最初只是畢業(yè)設(shè)計的項目，吸引到了盛大創(chuàng)始人陳天橋的關(guān)注，并獲得了約 3000 萬元人民幣 的投資。

對于投資人來說，這類項目的意義并不僅僅在于某個具體產(chǎn)品，而是它所代表的一種新的創(chuàng)業(yè)形態(tài)。

陳天橋說，他選擇支持孵化 MiroFish，是因為它代表了自己一直看重的方向——讓 AI 從單純的「回答問題」走向真正的「求解問題」。

在他看來，MiroFish 正在嘗試探索：如果打破對單一模型的依賴，讓多個智能體以群體智能的方式共同探索問題空間，會發(fā)生什么？通過多智能體從現(xiàn)實世界獲取信號并協(xié)同推演，系統(tǒng)能夠嘗試預(yù)測復(fù)雜問題的可能演化。它可以幫助人在風(fēng)險更低的環(huán)境里，把不確定的未來變成可討論、可驗證、可迭代的假設(shè)。

對盛大而言，MiroFish 這筆投資的核心邏輯是「投人」。MiroFish 的誕生讓陳天橋看到，年輕創(chuàng)業(yè)者不僅能定義真實問題，能借助 AI 快速迭代，更能把想法扎實落地為可用的產(chǎn)品。他說，「在這個全新的 AI 時代，我會把這些年輕 AI 人才的成功，視為我個人再次成功的最關(guān)鍵標(biāo)志。」

而當(dāng) AI 可以承擔(dān)越來越多執(zhí)行層面的工作時，軟件產(chǎn)品的誕生方式也在發(fā)生變化——越來越多的項目，可能會先從一個人的想法開始。也就是近期越來越被頻繁提及的「超級個體」。

過去，一個完整的軟件產(chǎn)品往往需要團(tuán)隊協(xié)作；而現(xiàn)在，借助 AI 工具，一個人也有可能完成從想法到產(chǎn)品原型的大部分工作。

BettaFish 與 MiroFish 的故事，提供了一個典型樣本。當(dāng) AI 成為開發(fā)者的合作者，一個人也可能做出曾經(jīng)需要團(tuán)隊才能完成的產(chǎn)品。AI 時代的新一輪創(chuàng)業(yè)窗口，已經(jīng)敞開。

05

陳天橋眼里的超級個體創(chuàng)業(yè)

BaiFu 以及許多超級個體開發(fā)者的故事告訴我們，AI 時代，一個人也可能做出原本需要團(tuán)隊完成的產(chǎn)品。那么，對于大學(xué)生創(chuàng)業(yè)群體來說，這樣的機會意味著什么？

盛大創(chuàng)始人陳天橋?qū)O客公園談到，重要的是，別把「第一份工作」當(dāng)終點，把它當(dāng)成能力復(fù)利的起點——先把基本功做厚、把作品做硬、把學(xué)習(xí)速度做快。

AI 時代大學(xué)生創(chuàng)業(yè)最大的機遇在于資源平權(quán)。一個人也能借助 AI 快速做出 MVP、快速迭代、快速觸達(dá)全球用戶。真正稀缺的品質(zhì)不是「會用 AI」，而是能定義真實問題，并持續(xù)把技術(shù)變成可交付的產(chǎn)品價值。

在他看來，創(chuàng)業(yè)成敗關(guān)鍵——不是「用不用 AI」，而是方向?qū)ΓㄩL期問題）+產(chǎn)品對（可交付價值）+組織對（持續(xù)迭代）。AI 只是加速器，不是方向盤。

那么，盛大如何判斷一個年輕 AI 開發(fā)者是否值得投資？陳天橋?qū)O客公園談到，最核心是成長斜率：同樣時間里，他能否拆清問題、做出產(chǎn)品、跑出結(jié)果，并且每次迭代都更接近本質(zhì)。底線是誠實（對數(shù)據(jù)、邊界和失敗）和韌性（長期不確定下還能穩(wěn)定產(chǎn)出）。

至于怎么從越來越多的「超級個體」中選擇投資對象，陳天橋說他會用三個「可驗證」來篩選： 可驗證的作品：不是 PPT，而是可用的 Demo、真實用戶、真實留存/付費； 可驗證的學(xué)習(xí)能力：一周一個版本、一個月一個臺階； 可驗證的價值觀與協(xié)作：能吸引同樣優(yōu)秀的人一起打仗。超級個體很多，但能把個人能力變成組織能力的人，才是最稀缺的。

06

直面質(zhì)疑：在「預(yù)測未來」的

宏大愿景下，硬幣的另一面

在熱度之外，MiroFish 也迎來了不少質(zhì)疑。

一種聲音認(rèn)為，現(xiàn)實世界的社會演化充滿偶然性。即便模型能夠模擬出 99% 的邏輯路徑，真正改變走向的往往是那 1% 的「黑天鵝」事件——在人類面對極端壓力或復(fù)雜利益博弈時的非理性決策，是否真的可以被模型捕捉？

另一類討論則集中在預(yù)測類產(chǎn)品的「信任困境」：如果預(yù)測恰好與現(xiàn)實一致，很容易被解釋為概率巧合；而一旦出現(xiàn)偏差，又可能被用戶簡單理解為某種「電子占卜」。

在技術(shù)層面，也有開發(fā)者在查看代碼后提出質(zhì)疑：目前系統(tǒng)似乎主要通過大模型生成虛構(gòu)角色，再通過提示詞構(gòu)建仿真環(huán)境。如果只是圍繞 prompt 進(jìn)行角色推演，那么模擬結(jié)果是否會受到模型幻覺的影響？

甚至有人認(rèn)為，當(dāng)前展示的 demo 更像是對單份 PDF 的結(jié)構(gòu)化拆解——觀點圖譜中缺少明顯的對立視角和多方博弈結(jié)構(gòu)，與真實輿論場的復(fù)雜度仍有明顯距離。

對于這些質(zhì)疑，baifu 并不回避。他反復(fù)強調(diào)的一點是：MiroFish 從來不是一個「神諭式的預(yù)測機器」。

在他的設(shè)想中，這套系統(tǒng)真正的價值并不是「押中未來」，而是把原本只能靠直覺想象的多種可能性，變成一組可以被觀察和比較的情景推演。

「黑天鵝當(dāng)然無法被消滅，但如果原本只有 1% 的概率提前意識到風(fēng)險，通過模擬能把這個概率提升到 5% 或 10%，那這套系統(tǒng)就已經(jīng)具備現(xiàn)實價值。」

至于「電子占卜」的質(zhì)疑，他認(rèn)為這幾乎是所有預(yù)測產(chǎn)品都會面對的挑戰(zhàn)。

在 baifu 看來，MiroFish 需要證明的并不是「每一次都預(yù)測準(zhǔn)確」，而是能否持續(xù)提供一種更系統(tǒng)化的判斷框架：

在事件真正發(fā)生之前，把關(guān)鍵變量、傳播路徑和參與方的博弈關(guān)系提前攤開。

「我們其實不是只做預(yù)測，更是在做深度推演和輔助決策。」

對于外界提出的技術(shù)質(zhì)疑，他也承認(rèn)目前版本距離真正的社會模擬仍有距離。

MiroFish 當(dāng)前仍處于 0.1 版本階段，很多能力都還在持續(xù)迭代，包括角色去重、多方對立關(guān)系建模，以及更復(fù)雜的群體行為機制。

「如果有人說它離真實世界的模擬還很遠(yuǎn)，我其實是認(rèn)同的。但如果簡單把它歸結(jié)為『套了個前端的 AI 幻覺』，那就忽略了我們真正試圖搭建的讓所有人都可以低門檻上手的整條鏈路——從現(xiàn)實輸入、圖譜構(gòu)建，到 Agent 生成、群體演化，再到報告輸出。」

至于算力成本問題，baifu 認(rèn)為外界可能高估了對單個 Agent 能力的要求。

在他看來，模擬世界并不需要每一個角色都「極度聰明」，關(guān)鍵是整體行為是否足夠接近真實人群的反應(yīng)模式。

「高價值決策本來就不應(yīng)該只用單次調(diào)用成本來衡量。如果一次模擬能幫助避免一次重大判斷失誤，它帶來的收益往往會被放大很多倍。」

對于 BaiFu 而言，拿下 3000 萬投資只是拿到了入場券，如何帶著這支「AI 軍團(tuán)」跨越從 Demo 到可靠產(chǎn)品的距離，才是真正的挑戰(zhàn)。

*頭圖來源：github

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請聯(lián)系極客君微信 geekparkGO

極客一問

你如何看待這支「AI 軍團(tuán)」？